用于在导航环境中运行机动车的方法和机动车与流程

本发明涉及一种用于在导航环境中——尤其是在停车环境中——运行机动车的方法，其中，使用导航环境的数字式的、描述行驶路径网的导航地图并且机动车的导航系统在考虑导航地图的情况下确定至包含在导航地图中的目标位置的导航路线，其中，借助于机动车方面的传感器装置检测描述机动车的周围环境的传感器数据。此外，本发明还涉及一种机动车。

背景技术：

机动车通常在局部受限的导航环境中运行，导航环境的经典例子是停车环境，尤其是具有多个停车位的停车场或停车处。为了改善在导航环境内的整体交通以及实现在导航环境内对驾驶员更好的定向，已知的是，向机动车发送用于相应的导航环境的导航地图，例如借助于配属于导航环境的中央计算装置。因为在这种导航环境内的行驶设计为有时要求很高，尤其是需要精确的调车过程，所以已经提出了下述方法，在该方法中，基于传感器装置的传感器数据至少暂时地自动化地驾驶机动车。

从de102015001631a1已知了一种用于在导航环境中运行机动车的方法，其中，导航环境的导航地图由配属于导航环境的中央计算装置接收，并确定包含在导航地图中的目标位置。此外，在考虑导航地图的情况下通过导航系统确定从机动车的当前位置至目标位置的理想轨迹，并跟踪在导航环境中机动车的当前位置，其中，在驾驶员方面的切换操作动作下朝着理想轨迹驾驶机动车并随后在理想轨迹上驾驶机动车。

缺点在于，为了分析评估机动车的环境所需的传感器装置非常昂贵。然而，恰好是在所谓的体积段(volumensegment)中的车辆的情况下，在经济上仅能实现受限的传感器视距和/或质量，这不能实现完整地评估用于实施导航行驶功能的、检测到的场景。特别地，典型的传感器装置的检测范围、性能和分辨率不足以实现在停车环境中的所有可设想的情况的完整分析描述。

还提出了在车辆工程领域应用机器学习技术：

de102014018913a1公开了一种用于运行汽车的驾驶员辅助装置的方法，其中，通过汽车的属于驾驶员辅助装置的传感器装置检测汽车的环境，以及通过汽车的属于驾驶员辅助装置的另一个传感器装置检测汽车的驾驶员的至少一个与汽车的行驶运动相关的行为。此外，在检测到的环境和检测到的行为之间的关联通过驾驶员辅助装置经由重复地检测环境和行为而被学习并通过驾驶员辅助装置借助于质量标准评估学习到的关联的可靠性，据此至少一个与汽车的行驶运动相关的自动化的功能通过驾驶员辅助装置基于汽车目前的环境和/或质量标准的值来执行。

de102011112990a1公开了一种用于车辆的控制和调节的系统，以便执行全自动或部分自动的行驶，其中，从经验文件提取数据，即驶过的路段，该路段已经被走过一次，且同时从该经验文件提取关于所有需要的转向操控、制动操控、速度操控的数据。

de102005047591a1公开了一种用于在操作机动车时借助于多个用于执行多种不同的行驶操作动作的驾驶员辅助系统为驾驶员减压的方法以及用于获取用于描述当前行驶情况的情况数据的部件，其中，通过机动车获得情况数据并根据情况数据通过机动车确定符合情况的行驶操作动作的有限的量，据此针对实施唯一的符合情况的行驶操作动作进行在机动车和驾驶员之间的协调。

技术实现要素：

因此，本发明的目的在于，提供一种用于在导航环境中——尤其是在停车环境中——运行机动车的相对改进的可能性。

为了实现该目的，根据本发明在前述类型的方法中规定，该导航系统执行把传感器数据用作输入数据的、根据训练数据借助于机器学习而被训练的车辆驾驶算法，根据至少一个通过车辆驾驶算法基于输入数据确定的横向和/或纵向驾驶动作自动地沿着导航路线至少暂时地驾驶机动车。

本发明是基于以下考虑：使用机器学习，以用于实现在横向和/或纵向方向上自动化的车辆运动，其中，使用一根据历史传感器数据、尤其是该传感器装置的或另一机动车的传感器装置的历史传感器数据而被训练的车辆驾驶算法。有利地可以因此放弃用于完整的分析性情况解释的传感器装置的复杂结构设计，并在已经具有相对简单设计的传感器装置的机动车中实现在导航环境、尤其是停车-和调车场景中的自动化的驾驶功能。

在根据本发明方法的范围内，导航装置可以在第一步骤中借助于机动车方面的通信装置从配属于导航环境的中央计算装置接收导航地图。这种计算装置例如可以是后端服务器。当然，替代地也可以设想，导航地图已经存在于机动车中，例如在用于被驶过的区域的缓冲区的意义上。在进一步的步骤中，导航装置可以本身确定目标位置、例如用于机动车的停车位，通过用户选择获取该目标位置，或者接收由计算装置确定的目标位置。随后，计算装置可以在考虑导航地图的情况下来确定导航路线。与此并行地，导航系统可以执行评估输入数据的车辆驾驶算法。作为车辆驾驶算法的训练的基础的训练数据可以包括形式为横向和/或纵向运动动作的行为模式和传感器数据之间的相关性。车辆驾驶算法的可设想的设计方案例如是深层神经网络，像从普林斯顿大学的项目“deepdriving深度驾驶”中已知的那样(见c.chen，a.seff，a.kornhauser和j.xiao：deepdriving深度驾驶：learningaffordancefordirectperceptioninautonomousdriving学习对自主驾驶中直接感知的支持,theieeeinternationalconferenceoncomputervision国际计算机视觉大会(iccv),2015,第2722-2730页)。在或当自动驾驶根据所确定的横向和/或纵向驾驶动作被激活时，导航系统可以通过操控机动车的至少一个转向装置和/或驱动装置和/或制动装置实现根据所确定的横向和/或纵向驾驶动作进行自动驾驶。

在根据本发明的方法中特别优选的是，使用如下的车辆驾驶算法：所述车辆驾驶算法——尤其在工厂方面——根据描述所述或一个机动车在至少一个参考导航环境内的运动的训练数据而已经被训练。训练数据可以因此在参考导航环境中在所述或一个机动车的至少一个行驶期间被检测，例如在训练行驶的范围内，和/或也包括已知的“groundtruth地面实况”、尤其是对参考导航环境的可驶过的和不可驶过的区域的说明。在这种情况下优选的是，检测在与机动车相当的、尤其是鉴于传感器装置相当的参考车辆的在这种训练行驶中的训练数据。优选地，在工厂方面根据这样的训练数据对车辆驾驶算法进行训练。这使得能够通过选择训练数据和/或参数化来记忆制造商方面期望的驾驶动作。此外，导航系统还可以在机动车自身的行驶期间收集进一步的训练数据，并且可以根据这些训练数据连续地训练车辆驾驶算法。由此可以快速扩展车辆驾驶算法的数据库，无论是通过在机动车的行驶期间的训练还是通过基于改进的训练数据的易于安装的更新。

有利地，使用在避撞和/或实现机动车的运动方面根据右侧行驶规则或左侧行驶规则而被训练的车辆驾驶算法。因此，可以根据在所述或一个参考导航环境中的运动获得训练数据，其中，通过该传感器数据描述的障碍物通过确定的横向和/或纵向运动动作来避开，和/或其中，在与这种障碍物碰撞之前停车。同样地，可以通过在训练期间始终遵循右侧行驶规则或左侧行驶规则来训练车辆驾驶算法以遵守这样的规则。

特别优选的是，仅在接收到驾驶员方面的、指示出期望自动驾驶的操作动作之后才开始机动车的自动化驾驶。通常，驾驶员首先手动地控制机动车并且当通过操作动作相对于机动车的输入装置体现自动化驾驶的期望时才开始自动驾驶。因此可以实现驾驶员监控的导航系统，其中，车辆驾驶算法的使用通过在驾驶员处保留运行机动车的责任来确保。

在此，车辆驾驶算法可以在其执行期间基于传感器数据检查：是否确定出未来的横向和/或纵向驾驶动作是可用的，并且在确定出可用性的情况下，把指示出用于操作动作的接受性(annahmebereitschaft)的指示信息输出给驾驶员。换句话说，在行驶期间，特别是在到达导航环境之后，在后台执行车辆驾驶算法并检查当前存在的传感器数据是否足以自动驾驶机动车。一旦出现这种情况，导航系统就可以控制机动车的输出装置用以输出提示。因此，驾驶员始终接收关于自动化驾驶的可用性的信息，并且可以根据需要通过操作动作激活该信息。

在根据本发明的方法中还特别有利的是，车辆驾驶算法在确定出用于未来的横向和/或纵向驾驶动作的多个可能性的情况下，尤其是为了决定行驶方向，基于导航路线和/或驾驶员方面的、指示出期望的横向和/或纵向驾驶动作的操作动作而选出一种可能性。因此，车辆驾驶算法仅仅基于机器学习无法分辨的模糊性可以通过考虑来自先验的已知导航地图和/或驾驶员意图的知识来分辨。这显著改善了导航系统运行的可控性。

此外，优选在根据本发明的方法中，导航系统执行额外的、采用传感器数据作为输入数据的避撞算法，该避撞算法在识别出机动车即将与障碍物碰撞时修改和/或禁止在车辆驾驶算法方面所确定的横向和/或纵向驾驶动作。换句话说，提出了基于分析性的避撞算法对传感器数据的冗余分析，该避撞算法典型地可以在没有情况解释的情况下否决由车辆驾驶算法确定的横向和/或纵向驾驶动作。特别地，避撞算法独立于基于训练数据的训练而执行。在执行避撞算法的范围内例如可以分析至通过传感器数据描述的障碍的距离并在低于极限值时修改和/或禁止横向和/或纵向驾驶动作。有利地，因此可以实现导航系统的明显更加稳健的运行。

在根据本发明方法中，有利地使用包括提供原始数据的至少一个传感器的传感器装置，其中，至少一个传感器是超声波传感器和/或雷达传感器和/或激光传感器和/或摄像机，和/或传感器数据描述从原始数据导出的机动车环境模型。传感器装置的各个传感器的原始数据可以因此被合并到环境模型，其中，由现有技术本身已知了合适的合并和变换算法。特别优选地，环境模型从鸟瞰图(俯视图)描绘机动车的周围环境。

最后，在根据本发明的方法中有利的是，随着到达目标位置和/或在出现驾驶员方面的、指示出自动驾驶的结束期望的操作动作的情况下结束对机动车的自动驾驶。该操作动作也可以通过机动车的所述或一个输入装置检测。

本发明的目的还通过一种根据本发明的机动车实现，其具有被设计用于实施根据本发明的方法的导航系统。所有用于根据本发明的方法的实施方案都可以类似地转用至根据本发明的机动车，从而利用机动车也可以实现上述优点。

附图说明

从下面描述的实施例并参考附图得到本发明的其它优点和细节。这些是示意图并示出：

图1是根据本发明的机动车的原理简图；以及

图2是根据本发明的方法的流程图。

具体实施方式

图1示出机动车1的原理简图，该机动车包括导航系统2，借助于该导航系统能操控机动车1的转向装置3、驱动装置4和制动装置5以用于执行横向和纵向驾驶动作。导航系统2包含机动车1的传感器装置6的传感器数据，该传感器数据描述环境模型。为此，传感器装置6包括多个检测机动车的周围环境的超声波传感器7、雷达传感器8、激光传感器9和摄像机10，其原始数据被合并以生成环境模型。

此外，在机动车方面可以设置输入装置11和输出装置12，借助于该输入装置，机动车1的驾驶员可以例如通过手动输入和/或语音输入执行可由导航系统2获取到的操作动作；输出装置用于视觉和/或听觉和/或触觉输出提供给驾驶员的指示。借助于机动车1的通信装置13，可以从机动车外部的计算装置14传递数据以及向该计算装置传递数据。这是分配给停车环境形式的导航环境的后端服务器，并且支持机动车1在停车环境内导航。

图2示出用于在停车环境中运行机动车1的方法的流程图，其中，导航系统2被设计为用于实施该方法。

在步骤s1中，例如在经过驶向停车环境的通道时，通信装置13从计算装置14接收到停车环境的高精度的数字式导航地图，该导航地图说明了可驶过和不可驶过的区域并把这些提供给导航系统2。

在随后的步骤s2中，导航系统2确定包含在导航地图中的目标位置。为此，机动车1的驾驶员可以通过输入装置11从多个可能的目标位置进行选择，借助于通信装置13检索由计算装置14预定的目标位置或者通过导航系统2本身确定合适的目标位置。典型地，该目标位置是机动车1应该停在此处的停车位。

在步骤s3中，导航装置2在考虑导航地图的情况下确定到目标位置的导航路线。

在步骤s4中，启动并由导航系统2执行车辆驾驶算法。该车辆驾驶算法使用由传感器装置6提供的传感器数据作为输入数据，并且已经通过机器学习基于训练数据进行了训练。为此，在利用参考车辆训练行驶期间，检测与传感器装置6的传感器数据相对应的传感器数据以及驾驶员的横向和/或纵向驾驶动作，并使其彼此关联。车辆驾驶算法已特别鉴于避撞和实现机动车1的运动根据右侧行驶规则或左侧行驶规则进行了训练。如果存储足够的范围的和足够的质量的传感器数据作为用于车辆驾驶算法的输入数据，则该车辆驾驶算法确定用于机动车1的可能的横向和/或纵向驾驶动作。因此，车辆驾驶算法连续地检查，是否确定了未来的横向和/或纵向驾驶动作可供使用。

如果是这样的情况，那么导航系统2在步骤s5中根据由车辆驾驶算法确定的横向和/或纵向驾驶动作来操控输出装置12，以用于输出操作动作的接受性以供激活机动车1的自动驾驶。因此，驾驶员可以借助于导航系统2从手动驾驶切换到由他监控的自动化驾驶。

如果导航系统2经由输入装置11检测到驾驶员的指示出自动驾驶期望的操作动作时，则在步骤s6中，根据通过车辆驾驶算法基于传感器数据确定的横向和/或纵向驾驶动作开始自动地沿着导航路线自动驾驶机动车。

在接下来的步骤s7中，导航系统2开始一个额外的、把传感器数据作为输入数据使用的避撞算法，该避撞算法与车辆驾驶算法并行地执行且在识别出机动车1即将与障碍物碰撞时修改或禁止在车辆驾驶算法方面确定的横向和/或纵向驾驶动作。在此，避撞算法实现了在机动车1的环境中鉴于障碍物进行的传统的分析性评估并可以在识别出障碍物——车辆驾驶算法未通过相应的横向和/或纵向驾驶动作对其做出反应——时，干预机动车1的自动驾驶。因此避撞算法在需要时否决基于机器学习而被训练的车辆驾驶算法。

在机动车1的自动驾驶期间，在步骤s8中询问，车辆驾驶算法是否为未来的横向和/或纵向驾驶动作，例如为决定行驶方向确定了多个可能性。

如果是这种情况，则导航系统2在步骤s9中操控输出装置12以向驾驶员输出另一指示。该指示要求驾驶员选择由车辆驾驶算法确定的、用于未来的横向和/或纵向驾驶动作的可能性之一。然后，基于随后的驾驶员方面的、指示出期望的横向和/或纵向驾驶动作的操作动作来进行机动车1的随后的自动驾驶。可选地，导航系统2基于确定的导航路线选择可能性之一并因此分辨由车辆驾驶算法确定的模糊性。

在步骤s10中检查，是否给出了用于机动车1的自动驾驶的结束条件。借助于输入装置11将目标位置的到达，以及对驾驶员方面的、指示出自动驾驶的结束期望的操作动作的检测定义为结束条件。

如果满足这样的结束条件，则在步骤s11中结束该方法。因此，驾驶员有机会在任何时候再次通过导航系统2接管对机动车1的控制。如果没有满足结束条件，则返回到步骤s8，从而连续地继续检查模糊性和结束条件的满足。

此处还应当注意，可以在手动驾驶机动车1期间与前述步骤并行地进行用于车辆驾驶算法的训练数据的扩展，其方法是，检测驾驶员的行驶特性并将该行驶特性与传感器装置6的传感器数据相关联。通过这种方式可以进一步训练车辆驾驶算法并在激活车辆驾驶算法之后改进对机动车的自动驾驶。